Aplikasi Mobile Pengenalan Karakter Manusia Melalui Bentuk Bagian Wajah Menggunakan Metode Learning Vector Quantization

Transkripsi

1 Aplikasi Mobile Pengenalan Karakter Manusia Melalui Bentuk Bagian Wajah Menggunakan Metode Learning Vector Quantization Rezky Aulia Pratama 1, Kartina Diah Kesuma W, S.T 2, Wawan Yunanto, S.Kom., M.T 3 1 PCR, Program Studi Teknik Informatika, Jl. Umban Sari No. 1, Rumbai, Pekanbaru 2826, Indonesia rezky@rezkyaulia.com 2 PCR, Program Studi Teknik Informatika, Jl. Umban Sari No. 1, Rumbai, Pekanbaru 2826, Indonesia diah@pcr.ac.id 3 PCR, Program Studi Sistem Informasi, Jl. Umban Sari No. 1, Rumbai, Pekanbaru 2826, Indonesia wawan@pcr.ac.id Abstrak Kecerdasan Buatan adalah salah suatu ilmu yang mempelajari bagaimana suatu sistem mampu berfikir layaknya manusia. Salah satu cabang ilmu dari Kecerdasaan Buatan yang sangat populer adalah Jaringan Syaraf Tiruan. Jaringan Syaraf Tiruan memiliki pola algoritma yang sama dengan logika pada otak manusia dalam mengenali dan mempelajari sesuatu hal yang baru. Aplikasi ini menggunakan metode Learning Vector Quantization. Input data berupa citra bagian wajah yang telah diekstraksi ciri sehingga didapatkan citra binernya. Citra biner ini yang akan dikenali terhadap citra biner sampel melalui proses pelatihan. Bobot dari proses pelatihan tersebut kemudian akan dilakukan proses pengujian untuk mengenali input. Output dari aplikasi ini akan menampilkan keterangan karakter berdasarkan data input yang sesuai dengan data sampel. Melalui pengujian yang dilakukan terhadap metode yang dipakai, didapatkan analisa bahwa metode LVQ dapat mengenali setiap inputan yang diberikan. Aplikasi ini dibangun pada perangkat mobile berbasis android. Kata kunci: Android, citra biner, Jaringan Syaraf Tiruan, Kecerdasan Buatan, Learning Vector Quantization. Pendahuluan 1.1 Latar Belakang Kecerdasan buatan adalah salah suatu ilmu yang mempelajari bagaimana suatu sistem mampu berfikir layaknya manusia. Memanfaatkan algoritma kecerdasan buatan, suatu aplikasi dapat menjalankan logika-logika yang tidak dapat dilakukan oleh algoritma konvensional. Salah satu cabang ilmu dari kecerdasaan buatan yang sangat populer adalah Jaringan Syaraf Tiruan. Jaringan Syaraf Tiruan memiliki pola algoritma yang sama dengan logika pada otak manusia dalam mengenali dan mempelajari sesuatu hal yang baru. Pada penelitian yang dilakukan tahun 2012 oleh mahasiswa Politeknik Caltex Riau Jurusan Teknik Informatika angkatan tahun 2009 bernama Tito Juliasmi berjudul Aplikasi Pengenalan Karakter Manusia Melalui Bentuk Bagian Wajah Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation, Peneliti membangun aplikasi desktop berbasis java untuk mengenali karakter manusia melalui bentuk bagian wajah. Pada penelitian tersebut, Peneliti melakukan input gambar sampel secara manual dengan melakukan seleksi manual pada gambar full face yang di masukkankan. Peneliti menggunakan metode Jaringan Syaraf Tiruan yaitu Backpropagation dalam mengenali sampel gambar terhadap database sampel pada aplikasi. Beberapa kendala yang dapat diperhatikan pada penelitian tersebut antara lain aplikasi merupakan aplikasi desktop sehingga hanya dapat berjalan pada Personal Computer atau laptop. Hal ini membuat user kesulitan apabila harus menggunakan aplikasi di luar ruangan / outdoor. Proses penginputan gambar dari sebuah foto full face masih dilakukan secara manual sehingga membutuhkan usaha lebih dari user 1

2 2 untuk menginputkan bagian wajah. Untuk metode yang digunakan, backpropagation menggunakan hidden layer sehingga proses yang diperlukan relatif lebih lama. Berdasarkan kendala kendala tersebut, penulis mengembangkan aplikasi ini menjadi aplikasi mobile dimana dapat digunakan di luar ruangan. Penulis juga membuat aplikasi dimana aplikasi melakukan pemotongan bagian wajah dari foto yang diambil secara otomatis. Untuk metode, penulis menggunakan metode Learning Vector Quantization pada aplikasi karena metode tersebut merupakan single layer sehingga proses yang diperlukan relatif lebih cepat berjalan. Penulis mengharapkan dengan adanya penelitian ini akan memberikan solusi terhadap kendala yang dimiliki pada penelitian diatas 1.2 Perumusan Masalah Masalah-masalah yang timbul dalam implementasinya adalah sebagai berikut: 1. Bagaimana membangun suatu aplikasi mobile yang dapat melakukan pengenalan dari gambar yang dikenalkan dengan database sampel menggunakan metode Learning Vector Quantization? 2. Bagaimana membuat Aplikasi mobile yang dapat membaca gambar wajah dengan menggunakan class face detector pada android? 3. Bagaimana melakukan analisa perbandingan paramater output antara metode Learning Vector Quantization dan metode Backpropagation? 1.3 Tujuan dan Manfaat Tujuan Tujuan penelitian aplikasi mobile pengenalan karakter manusia melalui bentuk bagian wajah ini adalah sebagai berikut : 1. Membangun suatu aplikasi mobile yang dapat melakukan pengenalan dari gambar yang dikenalkan dengan database sampel menggunakan metode Learning Vector Quantization. 2. Membuat Aplikasi mobile yang dapat membaca gambar wajah dengan menggunakan class face detector pada android. 3. Melakukan analisa perbandingan paramater output antara metode Learning Vector Quantization dan metode Backpropagation Manfaat Manfaat yang dapat diperoleh dari Penelitian ini adalah sebagai berikut : 1. Membantu proses pengenalan karakter manusia melalui masukan sistem berupa image bagian wajah. image bagian wajah didapat dari kamera smartphone android yang kemudian diproses menggunakan metode Learning Vector Quantization. 2. Analisa dari metode Learning Vector Quantization dapat dijadikan referensi untuk pengembangan aplikasi lain dengan metode yang sama. 2. Tinjauan Pustaka 2.1 Tinjauan Penelitian Sebelumnya Berdasarkan Penelitian sebelumnya yang dibuat oleh Tito Juliasmi, lulusan Politeknik Caltex Riau, yang berjudul Aplikasi Pengenalan Karakter Manusia Melalui Bentuk Bagian Wajah Menggunakan Metode Backpropagation pada tahun 2012, dapat ditarik kesimpulan bahwa penerapan Jaringan Syaraf Tiruan yaitu metode Backpropagation pada aplikasi tersebut berhasil melakukan pengenalan sample baru dengan sampel uji didalam database. Pada penelitian selanjutnya, penulis mengembangkan penelitian sebelumnya dengan menggunakan metode Learning Vector Quantization dan melakukan analisa perbandingan terhadap metode Learning Vector Quantization dan Backpropagation. Adapun perbandingan penelitian sebelumnya dengan penelitian sekarang seperti pada tabel berikut :

3 Pembanding Tabel 1 Pembanding dengan penelitian sebelumnya Penelitian sebelumnya (Juliasmi,2012) Melakukan penentuan bagian wajah pada sistem 3 Penelitian sekarang Input penentuan bagian wajah pada sistem dilakukan secara otomatis Proses Ekstraksi Java dan SQL Java Android dan sqllite Output Menampilkan karakter dari 4 input bagian wajah Menampilkan karakter dari 4 input bagian wajah dan gambarnya Metode Backpropagation Learning Vector Quantization Bahasa pemrograman Java Java Android Deteksi Tepi Tidak menggunakan metode Metode Sobel deteksi tepi 2.2 Fisiognomi Fisiognomi adalah seni membaca wajah yang telah dikenal sejak dahulu kala, dari zaman Tiongkok kuno, Yunani kuno dan Romawi kuno. Fisiognomi, pertama kali, disusun secara sistematis oleh Ariestoteles. Dia mempelajari dan menafsirkan berbagai sifat dan karakter manusia melaluai berbagai bentuk wajah, warna rambut, anggota badan, dan suara. Di abad ke-17 dan ke-19, ilmu fisiognomi digunakan oleh beberapa praktisi, terutama aparat hukum, sebagai metode untuk mendeteksi kecenderungan kejahatan. Banyak yang orang fanatik dan rasialis masih menggunakan fisiognomi untuk menilai karakter dan kepribadian seseorang.(carrie,2010) Di abad ke-19, ilmu fisiognomi dikembangkan menjadi ilmu modern oleh salah seorang hakim Los Angeles bernama Edward Jones. Edward Jones melakukan banyak kajian dan penelitian untuk mendapatkan profil kepribadian. Penelitan dan kajiannya menggunakan lebih dari 200 ciri wajah yang berbeda. Hasil penelitiannya mempunyai tingkat akurasi 92% dalam menentukan profil kepribadian.(tickle,2010)[1] 2.2 Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan ini digunakan karena jaringan syaraf di implementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.(kusumadewi,2003)[2] 2.3 Learning Vector Quatization (LVQ) Algoritma yang diterapkan pada jaringan syaraf LVQ adalah untuk menemukan unit output yang terdekat dengan vektor input. Hal tersebut akan berakhir, jika dan berada pada kelas yang sama, maka bobot dipindahkan ke vektor input yang baru dan jika dan berada pada kelas yang berbeda, maka bobot akan dipindahkan dari vektor input. Ada beberapa notasi yang akan digunakan, yaitu : (Naom,2012)[3] 2.4 Android android adalah sekumpulan perangkat lunak yang ditujukan bagi perangkat bergerak mencakup sistem operasi. Android Standart Development Kid (SDK) menyediakan perlengkapan dan Application Programming Interface (API) yang diperlukan untuk mengembangkan aplikasi pada platform android menggunakan pemograman java.

4 3 Perancangan Use Case Diagram Sistem Use Case Diagram digunakan untuk memodelkan dan menyatakan unit fungsi/layanan yang disediakan oleh sistem ke pemakai. Berikut ini perancangan use case diagram pada sistem. Use Case Diagram Sistem sistem aplikasi <<include>> menginput_gambar <<include>> Melakukan_Pelatihan Actor melakukan_pengujian <<extend>> melihat_hasil_pengujian Melihat_Data <<extend>> <<extend>> Menambah_data Mengubah_data Melihat_Petunjuk Menghapus_data Gambar 1 Use Case Diagram Sistem 3.2 Flowchart Berikut flowchart dari image processing dan sistem aplikasi Flowchart Image Processing Start Input image sampel bagian wajah Menentukan bagian wajah Cropping bagian wajah Masing masing image bagian wajah di grayscale Masing masing image bagian wajah dilakukan proses deteksi tepi dengan sobel Dilakukan Treshold Output berupa nilai biner Gambar 2 End Flowchart image processing

5 5 Flowchart Pelatihan LVQ Start Tetapkan nilai bobot awal, bobot pembelajaran dan nilai perulangan Masukkan nilai input dan kelas Menghitung jarak minimum Tidak Mencari nilai bobot dengan jarak vektor minimum Update nilai bobot awal dan mengurangi nilai pembelajaran Apakah mencapai nilai perulangan yang diinginkan? Simpan bobot Selesai Gambar 3 Flowchart Pelathan LVQ Flowchart Pengujian LVQ Mulai Masukkan input dan bobot akhir Hitung jarak Pilih neuron dengan jarak minimum Karakter yang dikenali Selesai Gambar 4 Flowchart Pengujian LVQ

6 Flowchart Sistem Aplikasi 6 Mulai Gambar / citra bagian wajah Image processing Proses ekstraksi ciri Lakukan proses pelatihan Metode LVQ Ya Simpan bobot hasil perhitungan ke Array Lakukan proses pengujian Metode LVQ Tambah nilai maximum epoch Tidak Apakah citra bagian wajah yang dimasukkan ke sistem dapat dikenali? Ya Tampilkan gambar dan keterangannya Apakah ingin mengambil masukan citra bagian wajah yang baru? Selesai Gambar 5 Flowchart sistem aplikasi 4 Hasil dan Pembahasan Gambar 4 merupakan hasil output dari aplikasi dimana data input telah mengalami proses pencitraan dan proses pelatihan serta pembelajaran dengan metode LVQ. Akan keluar nilai persentase kemiripan serta keterangannya. Gambar 6 hasil output dari aplikasi

7 7 Tabel 2 Hasil pengujian algoritma LVQ dengan mengubah posisi bagian wajah. Percobaan Input Output Keterangan Pada pengujian ini, input berupa gambar eye_8.jpg di uji pada 9 posisi. Dari pengujian tersebut, akan dihitung persentase besarnya nilai yang benar dengan menggunakan rumus : Maka berdasarkan rumurs tersebut, didapatkan nilai persentasenya sebagai berikut Di dapatkan nilai persentase pada pengujian ini yaitu 100 % No 1 Tabel 3 Input Hasil pengujian algoritma LVQ dengan mengubah posisi bagian wajah. Hasil Yang Dikenali LVQ Backpropagation Hasil Waktu Hasil Waktu Mata 7 Mata 7 43 ms 39 ms

8 2 Mata 6 36 ms Mata 6 49 ms 8 3 Alis Mata 1 39 ms Alis Mata 1 67 ms 4 Alis Mata ms Alis Mata ms 45 ms 5 Hidung 8 40 ms Hidung 8 43 ms 6 Hidung 6 46 ms Hidung Bibir 10 Bibir 4 37 ms 44 ms Bibir 10 Bibir 4 54 ms 59 ms Total Waktu 317 ms 406 ms Pada pengujian diatas, untuk mendapatkan hasil yang lebih optimal maka nilai iterasi pada kedua metode yang digunakan yaitu Pada saat dilakukan 3500 perulangan, performa yang diberikan oleh hardware yang digunakan optimal dibandingkan dengan pengujian dengan menggunakan nilai perulangan diatas Berdasarkan pengujian metode LVQ terhadap perubahan nilai laju pembelajaran, untuk nilai laju pembelajaran pada pengujian ini yaitu 0.1 dan nilai minimal laju pembelajaran yaitu Berdasarkan pengujian tersebut didapatkan hasil kecepatan proses dari kedua metode Total waktu proses untuk metode LVQ yaitu 317 ms. Sedangkan untuk metode Backporagation total waktu prosesnya yaitu 406 ms. Dari total waktu proses tersebut, dapat diambil nilai rata-rata waktu proses pada masing masing metode. Untuk metode LVQ nilai rata-ratanya yaitu 31,7 ms sedangkan untuk metode Backpropagation yaitu 40,6 ms 5. Kesimpulan dan Saran 5.1 Kesimpulan Setelah menyelesaikan aplikasi mobile pengenalan karakter manusia melalui bentuk bagian wajah menggunakan metode Learning Vector Quantization ini, maka dapat diambil beberapa kesimpulan sebagai berikut : 1. Aplikasi ini dapat melakukan pengenalan terhadap karakter manusia melalui bentuk bagian wajah melalui foto yang diambil langsung dari kamera android yang dijadikan sebagai input dengan menggunakan metode Learning Vector Quantization. 2. Metode Learning Vector Quantization dapat mengklasifikasikan pola dengan baik untuk aplikasi mobile pengenalan karakter manusia melalui bentuk bagian wajah menggunakan metode Learning Vector Quantization ini.

9 3. Output dari aplikasi ini adalah bagian wajah dari data uji beserta keterangan karakter nya. 4. Pada nilai laju pembelajaran terkecil yaitu 0.1 algoritma LVQ dapat mengenali input dengan benar dan menghasilkan nilai iterasi yang kecil sehingga proses pelatihan dan pengenalan dapat berjalan dengan cepat. 5. Metode Learning Vector Quantization relatif memiliki waktu proses yang lebih cepat dibandingkan Backpropagation. Rata-rata waktu untuk proses Learning Vector Quantization yaitu 39,6 ms dan Backpropagation yaitu 50,7 ms 6. Metode Learning Vector Quantization dan Backpropagation sama-sama dapat mengenali input dengan baik dengan tingkat persentase nilai kebenaran yaitu 100%. 5.2 Saran Beberapa saran yang dapat diberikan dan mungkin dapat membantu dalam pengembangan aplikasi ini lebih lanjut adalah: 1. Aplikasi dapat dikembangkan lagi untuk mengenali lebih banyak bagian wajah yang akan dijadikan input. 2. Aplikasi dapat dikembangkan lagi untuk membaca karakter dari bagian wajah langsung pada saat kamera diarahkan ke wajah. 3. Untuk mengatasi masalah out of memory pada aplikasi terdapat beberapa solusi antara lain penggunaan cache dan memory pada aplikasi harus di manage atau menggunakan library OpenCV dalam mendeteksi wajah. 4. Library OpenCV dapat digunakan untuk mendeteksi bagian bagian wajah dan mendapatkan koordinatnya yang lebih akurat untuk melakukan cropping. Daftar Pustaka [1] Tickle, Naomi R.(2010). You can read a face like a book. Jakarta Selatan : UFUK Press. [2] Kusumadewi, Sri. (2003). Artificial Intelligent (Teknik dan Aplikasinya). [3] Naoum, Reyadh Shaker., Al-Sultani, Zainab Namh.(2012). Learning Vector Quantization (LVQ) and k-nearest Neighbor for Intrusion Classification. World of Computer Science and Information Technology Journl.Vol. 2, No. 3,